本發(fā)明屬于人工智能中的機器學習技術領域屬于數(shù)據(jù)挖掘中模式識別聚類技術領域，具體涉及一種從空間角度定位技術的聚類方法。

背景技術：
:

聚類是一種常見的數(shù)據(jù)分析工具，其目的是把大量數(shù)據(jù)點的集合分成若干簇，使得簇與簇之間的差異盡可能大，同一簇的差異盡可能小。類簇是數(shù)據(jù)點的集合，聚類分析又稱群集分析，聚類分析使得簇內部的相關性比簇與簇之間的相關性更加緊密，同簇內的相似性很大，而不同的簇之間的差異性很大。相差性可以根據(jù)樣本點的屬性進行計算，而樣本點的“距離”則是度量標準常用的方法。從空間角度上來看，“距離”則體現(xiàn)了點與點之間的緊密程度。

迄今為止，聚類算法的研究已有60余年，作為數(shù)據(jù)挖掘中模式識別技術的一個子功能，聚類作為一個單獨的方法來獲得數(shù)據(jù)點在空間中的分布情況。根據(jù)各簇之間的差異性，集中對某些的特定簇做深層次的分析。此外，它還可以作為其它算法(如特征、圖像和分類等)的預處理步驟，這些算法在形成的簇上進一步做相關處理。

聚類算法的研究是極具挑戰(zhàn)性的，在基于距離和相似度的研究上，產(chǎn)生了許多研究成果，大體上聚類算法可以分為：基于密度聚類算法；基于層次聚類算法；基于網(wǎng)格的聚類算法；基于神經(jīng)網(wǎng)絡的聚類算法；基于統(tǒng)計學的聚類算法以及模糊聚類算法。

技術實現(xiàn)要素：
：

本發(fā)明針對空間角度定位技術，提出了一種類似方向性視覺距離的聚類算法，反應了空間點的緊密程度。點與點之間的緊密，即從任何方位上來看，同一簇的點都是緊密聯(lián)系的。而不同簇的點不可能在任何角度上都是緊密聯(lián)系的，肯定可以從某個方位上可將其區(qū)分。類似人眼視覺，在空間不同方位上直觀的呈現(xiàn)點與點之間的緊密聯(lián)系，從而體現(xiàn)相異性，達到“物以類聚”的效果。

技術方案

本發(fā)明為實現(xiàn)上述目的，采用如下技術方案：

步驟1)，輸入樣本數(shù)據(jù)集S＝{1≤i≤N}；

步驟2)，隨機選擇基點X₀^p＝{X₀^p|1≤p≤M，M為最終選取的基點數(shù)}；

步驟3)，以X₀^p為基點計算樣本集S中各點與X₀^p的距離D_i^p，并進行升序排列得到序鏈：S^p＝{X_i^p|1≤i≤N，p表示基點，X₀^p為基點}；

步驟4)，確定經(jīng)驗值R，即R＝D_N^p/N？；

步驟5)，在序鏈S^p中，以經(jīng)驗值R，每相鄰兩點間距為D_i^p-D_i-1^p，若D_i^p-D_i-1^p＞R，則由第i-1個點到其前未被歸簇的點為一簇，可得出S^p的若干簇：C_j^p＝{C_j^p|1≤j≤K,K表示此基點的簇數(shù)}否則i+1；

步驟6)，隨機改變X₀^p某幾個維度的正負性，得到此點其他方位上的基點X₀^p+1，重復步驟3)，4)，5)得出相應的簇C_j^p+1；

步驟7)，對于C_j^p和C_j^p+1的各簇進行相交得到簇Clusterⁿ，形如：C₁^p∩C₁^p+1；C₁^p∩C₂^p+1；...；C₂^p∩C₁^p+1；...(重復步驟與Clusterⁿ相交)；

步驟8)，這樣舍去空集得到聚在一起的類簇Clusterⁿ；

步驟9)，重復步驟6)，7)，8)若Clusterⁿ不變，則得到就為最終的類簇，否則重復步驟6)，7)，8)；若6)中已無法改變維度值，則跳至步驟10)；

步驟10)，跳至步驟2)，直至Clusterⁿ不在變化，即得到最終類簇Clusterⁿ。

有益效果

本發(fā)明公布了基于空間角度定位技術的聚類方法，不同于現(xiàn)有的聚類算法，本發(fā)明提出了方向性視覺“距離”，即任何角度下同類簇點都具有極大的緊密性，更加直觀的體現(xiàn)了聚類算法的研究理念。本發(fā)明反應了點與點間的緊密程度，相對于現(xiàn)有的聚類算法，本發(fā)明基于空間定位技術的聚類算法更加具有直觀性，更易于人理解，在反應聚類的精準度、緊密性方面更具有優(yōu)勢。

附圖說明

圖1為本發(fā)明技術方案原理圖。

具體實施方式:

下面將結合附圖1及具體實施例對本發(fā)明所述的基于空間角度定位技術的聚類方法作進一步詳細描述。

具體步驟如下：

步驟1，輸入樣本數(shù)據(jù)集S＝{1≤i≤N}；

步驟2，隨機選擇基點X₀^p＝{X₀^p|1≤p≤M，M為最終選取的基點數(shù)}；

步驟3，以X₀^p為基點計算樣本集S中各點與X₀^p的距離，并進行升序排列得到序鏈：S^p＝{X_i^p|1≤i≤N，p表示基點，X₀^p為基點}；

步驟4，確定經(jīng)驗值R(R為從基點角度判斷哪些點應該歸屬同一簇的距離；)，這里我們以點間間隔均值為R，即R＝D_N^p/N；

步驟5，在序鏈S^p＝{X_i^p|1≤i≤N}(i的初始值為1)中，以經(jīng)驗值R，每相鄰兩點間距為D_i^p-D_i-1^p：

步驟5.1，若D_i^p-D_i-1^p≤R，則X_i^p歸入簇C_j^p＝{C_j^p|1≤j≤K}(j的初始值為1)；i＝i+1；

步驟5.2，若D_i^p-D_i-1^p＞R，j＝j+1；

步驟5.3，循環(huán)步驟5.1,5.2直至S^p中點全部歸并；

步驟6，隨機改變X₀^p某幾個維度的正負性，得到此點其他方位上的新基點X₀^p，p＝p+1，重復步驟3)，4)，5)得出相應的簇C_j^p；

步驟7，對于C_j^p和C_j^p+1的各簇進行相交得到簇Clusterⁿ，形如：C₁^p∩C₁^p+1；C₁^p∩C₂^p+1；...；C₂^p∩C₁^p+1；...；(重復步驟與Clusterⁿ相交)

步驟8，這樣舍去空集得到聚在一起的類簇Clusterⁿ；

步驟9，重復步驟6，7，8：

步驟9.1，若Clusterⁿ不變，則得到就為最終的類簇，否則重復步驟6，7，8，p＝p+1；

步驟9.2，若步驟6中已無法改變維度值，則跳至步驟10；

步驟10，跳至步驟2，p＝p+1,直至Clusterⁿ不在變化，即得到最終類簇。